RANCANG BANGUN APLIKASI PENGENDALIAN DOKUMEN SISTEM MANAJEMAN MUTU DENGAN IDENTIFIKASI BERBASIS JARINGAN SYARAF TIRUAN ABDUL TAHIR

(1)

JARINGAN SYARAF TIRUAN

ABDUL TAHIR

SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR

(2)

Dengan ini saya menyatakan bahwa tesis Rancang Bangun Aplikasi Pengendalian Dokumen dengan Identifikasi Berbasis Jaringan Syaraf Tiruan adalah karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.

Bogor, Oktober 2011

Abdul Tahir

(3)

Management System using Neural Network. Under Direction of MEUTHIA RACHMANIH and YANI NURHADRYANI.

At the end of 2008 the number of organizations (products and services) in Indonesia that are implementing ISO 9001:2008 Quality Management System (QMS) is as much as 5713 organizations. In the implementation of QMS, the organization is required to deploy six documented procedures and two of them are document control procedures and records control procedures. This research aims to to design a prototype of document control applications by applying Back Propagation Artificial Neural Networks (ANN) algorithms to recognize the document number. The document were in hardcopy or recorded form. To get the best pattern recognition, training process and testing were carried out using a number of data. The amount of data used in this research as many as 1,400 data, 75% is used as training data and 30% used as testing data. The best ANN model was obtained using 80 input layer, 30 hidden layer, and 11 output layer. The model is able to produce a validation accuracy of 99.49% and testing accuration of 97.62%. The prototype of document control application is done by creating a six module interface of document control process, namely the process of user data input, data input unit, form and image data input forms, distribution forms, input data and image recording, viewing and deleting expired recording, and tracking recording. At the end of the research was conducted simulation and testing of applications that are built. The results of the tests provide an accuracy of 97% success.

Keyword : document control, quality management system, neural network, pattern recognition, recorded.

(4)

Manajemen Mutu dengan Identifikasi berbasis Jaringan Syaraf Tiruan. Dibimbing oleh MEUTHIA RACHMANIAH dan YANI NURHADRYANI.

Diakhir tahun 2008 jumlah organisasi (produk dan jasa) di Indonesia yang menerapkan Sistem Manajemen Mutu (SMM) ISO 9001:2008 sebanyak 5.713 organisasi. Dalam penerapan SMM organisasi diharuskan menerapakan enam prosedur terdokumentasi dan dua diantaranya adalah prosedur pengendalian dokumen dan prosedur pengendalian rekaman. Pengendalian dokumen menjadi salah satu permasalahan yang dihadapi oleh setiap organisasi yang menerapkan SMM. Dokumen dalam bentuk hardcopy yang dihasilkan dari setiap proses harus dikendalikan.

Penelitian ini bertujuan untuk merancang aplikasi pengendalian dokumen bentuk formulir dan rekaman yang bersumber dari hardcopy dengan menerapkan algoritma Jaringan Syaraf Tiruan (JST) Propagasi Balik. Untuk mendapatkan data pelatihan dan data pengujian pada pemodelan JST maka dilakukan proses pengolahan data berupa ekstraksi ciri dari semua sampel nomor formulir. Hasil ekstraksi berupa nilai biner dibentuk menjadi sebuah vektor. Vektor ini selanjutnya dijadikan masukan (input) pada pemodelan JST yang dikembangkan.

Untuk mendapatkan pola pengenalan yang terbaik, proses pelatihan dan pengujian dilakukan dengan sejumlah data. Jumlah data yang digunakan dalam penelitian ini sebanyak 1400 data, 75% digunakan sebagai data training dan 30% digunakan sebagai data testing. Dari hasil ini diperolah model pengenalan JST terbaik dengan menggunakan 80 lapisan masukan, 30 lapisan tersembunyi dan 11 lapisan keluaran, model ini mampu menghasilkan akurasi validasi 99,49% dan pengujian 97,62%.

Rancang bangun aplikasi sebagai prototype pengendalian dokumen ini dilakukan dengan membuat enam modul antarmuka sebagai suatu proses pengendalian dokumen, yaitu proses input data user, input data unit kerja, input data formulir dan citra formulir, distribusi formulir, input data dan citra rekaman, melihat dan menghapus rekaman kadaluarsa dan penelusuran rekaman. Pada akhir penelitian ini dilakukan simulasi dan pegujian terhadap aplikasi yang dibangun, hasil dari pengujian memberikan akurasi keberhasilan sebesar 97%.

(5)

© Hak Cipta milik IPB, tahun 2011

Hak Cipta dilindungi Undang-Undang

Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan yang wajar bagi IPB.

Dilarang mengumumkan dan memperbanyak sebagian atau seluruh Karya tulis dalam bentuk apa pun tanpa izin IPB

(6)

ABDUL TAHIR

Tesis

Sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada

Program Studi Ilmu Komputer

SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR

BOGOR 2011

(7)

(8)

Jaringan Syaraf Tiruan.

Nama : Abdul Tahir

NRP : G651090031

Disetujui Komisi Pembimbing

Ir. Meuthia Rachmaniah, M.Sc Dr. Yani Nurhadryani, S.Si., M.T.

Ketua Anggota

Diketahui

Ketua Program Studi Dekan Sekolah Pascasarjana Ilmu Komputer

Dr. Ir. Agus Buono, M.Si, M.Kom Dr. Ir. Dahrul Syah, M.Sc.Agr.

(9)

xiii KATA PENGANTAR

Puji syukur kehadirat Allah SWT, atas berkat rahmat dan hidayah-Nya penulis dapat menyelesaikan penulisan penelitian ini. Penelitian ini adalah sebagai syarat dalam menyelesaikan perkuliahan di Magister Sains, Ilmu Komputer, Institut Pertanian Bogor.

Penelitian yang dilaksanakan oleh penulis adalah penelitian mengenai penggunaan algoritma propagasi balik (backpropagation) dari teknik klasifikasi jaringan syaraf tiruan (JST). Algoritma propagasi balik digunakan untuk mengidentifikasi nomor dokumen pada rancangan aplikasi pengendalian dokumen Sistem Manajemen Mutu (SMM) yang dibangun. Penelitian ini dilakukan dengan mengambil studi kasus pengendalian dokumen SMM di Institusi Akademi Teknik Soroako (ATS).

Penulis mengucapkan terima kasih atas bantuan dan dukungan dari semua

pihak baik secara langsung maupun tidak langsung terutama kepada ibu Ir. Meuthia Rachmaniah, M.Sc dan ibu Dr. Yani Nurhadryani, S.Si., M.T.,

selaku dosen pembimbing yang telah memberikan arahan serta saran dalam penyelesaian penelitian ini. Kritik, saran dan masukan sangat diperlukan dari semua pihak demi sempurnanya penelitian ini di kemudian hari, terimakasih.

Bogor, Oktober 2011

(10)

(11)

xv RIWAYAT HIDUP

Penulis (Abdul Tahir ) dilahirkan di Walenrang pada 13 September 1972 sebagai anak keenam dari tujuh bersaudara. Pada tahun 1995 penulis menyelesaikan pendidikan Diploma 3 program Studi Teknik Perawatan Mesin di Akademi Teknik Soroako (ATS) dan selanjutnya diangkat sebagai staf pengajar di Institusi tersebut. Tahun 2000 penulis melanjutkan program strata satu di Universitas Hasanuddin Makassar jurusan Teknik Mesin dengan mengambil konsentrasi Konversi Energi. Tahun 2003 Penulis diangkat sebagai Dosen tetap yayasan pada Yayasan Pendidikan Soroako (YPS).

Selain sebagai dosen di ATS, penulis juga aktif sebagai Ketua tim Sistem Manajeman Mutu ISO 9001 dari tahun 2007 s/d 2009 dan juga sebagai Auditor Internal ATS. Pada tahun pelajaran 2009/2010 penulis tercatat sebagai mahasiswa Pascasarjana IPB di Departeman Ilmu Komputer.

(12)

(13)

xvii DAFTAR ISI

DAFTAR TABEL ... xix

DAFTAR GAMBAR ... xxi

DAFTAR LAMPIRAN ... xxiii

BAB I PENDAHULUAN ... 1

1.1 Latar Belakang ... 1

1.2 Perumusan Masalah ... 5

1.3 Tujuan Penelitian ... 6

1.4 Manfaat Penelitian ... 6

1.5 Ruang Lingkup Penelitian ... 6

BAB II TINJAUAN PUSTAKA ... 7

2.1 Pengolahan Citra ... 7

2.1.1 Pengertian Citra Digital... 7

2.1.2 Jenis Citra. ... 8

2.2 Jaringan Syaraf Tiruan untuk Pengenalan Pola. ... 10

2.2.1 Model Neuron Biologis. ... 10

2.2.2 Model JST ... 11

2.2.3 Pembelajaran pada JST ... 13

2.2.4 Algoritma JST Propagasi Balik. ... 13

2.3 Database Relasional ... 16

2.1 Pengolahan Citra Digital Menggunakan Visual Basic ... 17

2.1.1 Konversi Citra Grayscale ke Citra Biner ... 18

BAB III METODOLOGI PENELITIAN ... 19

3.1. Kerangka Pemikiran ... 19

3.1.1 Persiapan Penelitian ... 19

3.1.2 Pengumpulan dan Pengolahan Data ... 20

3.1.3 Desain Model JST ... 21

3.1.4 Perancangan Aplikasi ... 25

3.2. Bahan dan Alat ... 26

BAB IV HASIL DAN PEMBAHASAN ... 27

4.1 Pengumpulan dan Pengolahan Data ... 27

4.2 Analisis Hasil Pemodelan JST ... 27

4.2.1 Lapisan tersembunyi dengan jumlah neuron 7. ... 28

(14)

4.3 Desain Aplikasi ... 35

4.3.1 Desain Arsitektur ... 36

4.3.2 Perancangan basis data (database) ... 37

4.3.3 Desain Antarmuka ... 41

4.3.4 Simulasi Aplikasi ... 41

BAB V SIMPULAN DAN SARAN ... 49

5.1 Simpulan ... 49

5.2 Saran ... 49

DAFTAR PUSTAKA ... 51

(15)

xix

DAFTAR TABEL

Tabel 1 Komposisi dokumen SMM ATS ... 5

Tabel 2 Definisi target ... 24

Tabel 3 Struktur JST ... 25

Tabel 4 Tabel hasil pelatihan/validasi dan testing ... 35

Tabel 5 Struktur tabel unit kerja... 39

Tabel 6 Struktur table user ... 40

Tabel 7 Struktur table formulir ... 40

Tabel 8 Struktur tabel rekaman ... 40

Tabel 9 Data testing simulasi. ... 43

(16)

(17)

xxi

DAFTAR GAMBAR

Gambar 1 Hirarki dokumen SMM ... 1

Gambar 2 Koordinat citra digital ... 7

Gambar 3 Struktur neuron (Stufflebeam 2011) ... 10

Gambar 4 Ilustrasi model JST (Puspitanigrum 2006). ... 12

Gambar 5 Arsitektur jaringan propagasi balik (Kusumadewi 2004). ... 14

Gambar 6 Diagram perancangan database (Kadir 2008). ... 16

Gambar 7 Konversi citra warna ke citra grayscale dalam Visual Basic ... 18

Gambar 8 Konversi citra grayscale ke citra biner dalam Visual Basic ... 18

Gambar 9 Kerangka pemikiran. ... 19

Gambar 10 Menangkap citra nomor formulir ... 20

Gambar 11 Menangkap citra nomor formulir ... 21

Gambar 12 Representasi citra biner (hitam putih) ... 21

Gambar 13 Model arsitektur MLP pengenalan dokumen. ... 22

Gambar 14 Pelatihan dengan 7 neuron pada lapisan tersembunyi. ... 28

Gambar 24 Context diagram ... 36

Gambar 25 DFD level 1 ... 37

Gambar 26 Diagram E–R sistem pengendalian dokumen ... 38

Gambar 27 Desain model database pengendalian dokumen ... 39

Gambar 28 Struktur program aplikasi pengendalian dokumen... 41

Gambar 29 Antarmuka login ke aplikasi pengendalian dokumen ... 43

Gambar 30 Antarmuka input data tabel unit kerja. ... 44

Gambar 31 Input data unit kerja... 44

Gambar 32 Input formulir baru. ... 45

Gambar 33 Pendistribusian formulir ... 45

Gambar 34 Gambar penyimpanan rekaman ... 46

Gambar 35 Pemusnahan rekaman. ... 47

(18)

(19)

xxiii

DAFTAR LAMPIRAN

Lampiran 1 Algoritma JST propagasi balik ... 54

Lampiran 2 Hasil proses pengujian data testing dengan 7 hiden layer ... 57

Lampiran 12 Desain antarmuka dan Sourcecode proses login ... 67

Lampiran 13 Desain antarmuka dan sourcecode proses input tabel user ... 69

Lampiran 14 Desain antarmuka dan sourcecode input tabel unit kerja ... 71

Lampiran 15 Desain antarmuka dan sourcecode input tabel formulir. ... 73

Lampiran 16 Desain antarmuka dan sourcecode penyimpanan data rekaman ... 77

Lampiran 17 Desain antarmuka dan sourcecode input tabel distribusi formulir . 81 Lampiran 18 Desain antarmuka dan sourcecode daftar rekaman kadaluarsa ... 83

(20)

(21)

BAB I PENDAHULUAN

1.1 Latar Belakang

Tuntutan pelanggan yang semakin tinggi terhadap mutu dari produk (barang atau jasa) turut mempengaruhi perusahaan untuk menerapkan SMM. Saat ini SMM yang umum diadopsi adalah standar ISO 9001:2008 karena standar ini bersifat generik sehingga dapat diterapkan disemua jenis dan ukuran perusahaan (ISO 2008). Hasil survey yang dilakukan oleh The ISO Survey (www.iso.org) pada tahun 2009 memperlihatkan pada akhir tahun 2008 jumlah organisasi yang telah memperoleh sertifikat ISO 9001:2000/2008 sebanyak 982.832 organisasi. Organisasi tersebut tersebar di 176 negara termasuk di Indonesia, dengan demikian jumlah rata-rata organisasi dalam setiap negara yang memperoleh sertifikakat ISO 9001 pada tahun 2008 adalah sebanyak 5.585 organisasi. Di Indonesia jumlah organisasi yang telah memperoleh sertifikat ISO 9001 pada akhir tahun 2008 adalah sebanyak 5.713 organisasi. Hal ini menunjukkan perkembangan penerapan SMM standar ISO 9001:2000/2008 di Indonesia cukup besar.

Penerapan SMM memerlukan sejumlah dokumen untuk mengontrol kegiatan yang berlangsung dalam perusahaan. Dokumen harus disimpan dan terus dipelihara untuk memastikan kesesuaian dengan kegiatan bisnis yang berlangsung di dalam perusahaan (ISO 2008). Struktur dokumentasi SMM dapat diuraikan dalam hirarki berbentuk pyramid seperti yang ditunjukkan pada Gambar 1 (Schlickman 2003).

(22)

Dalam standar ISO 9001:2008, terdapat sejumlah klausul yang dipersyaratkan untuk dilaksanakan. Klausul-klausul tersebut direpresentasikan menjadi enam prosedur wajib yaitu:

1. Prosedur pengendalian dokumen, 2. Prosedur pengendalian rekaman, 3. Prosedur audit mutu internal,

4. Prosedur pengendalian produk tidak sesuai, 5. Prosedur tindakan perbaikan, dan

6. Prosedur tindakan pencegahan.

Prosedur pengendalian dokumen dan prosedur pengendalian rekaman adalah prosedur yang mengatur tentang tata cara pengendalian dokumen SMM. Penelitian ini membahas kedua prosedur tersebut karena semua dokumen SMM telah diatur dan ditetapkan pada kedua prosedur ini. Pengendalian dokumen SMM memiliki makna bahwa dokumen-dokumen yang penting bagi SMM harus disimpan, dirawat, diperbaharui, dan didistribusikan pada personal yang berwenang. Pengendalian dokumen SMM merupakan jenis klausul yang harus didokumentasikan, artinya bahwa perusahaan harus memiliki prosedur tentang bagaimana dokumen SMM di perusahaan harus dikendalikan. Pengendalian dokumen diatur standar ISO 9001:2008 dalam klausul 4.2.3 sebagai berikut :

Sumber : Standard SNI ISO 9001:2008, Quality Management System – Requirements. Setiap perusahaan pasti memiliki rekaman. Salah satu contoh bentuk rekaman adalah notulen rapat; notulen rapat ini merupakan bukti suatu kegiatan

(23)

telah dilakukan. Hasil notulen dapat digunakan sebagai acuan dalam pengambilan keputusan, oleh sebab itu, rekaman harus dikelola dengan baik. Mengendalikan rekaman adalah mengatur antara lain: tata cara penyimpanan rekaman, perlindungan rekaman, penetapan masa simpan, pengidentifikasian, tata cara pengambilan rekaman, dan pemusnahan rekaman bila melewati masa simpan. Pengendalian rekaman diatur dalam standar ISO 9001:2008 pada klausul 4.2.4 sebagai berikut :

Sumber : Standard SNI ISO 9001:2008, Quality Management System – Requirements

Saat ini, beberapa perusahaan telah menggunakan perangkat lunak pengendalian dokumen, diantarnya adalah CEBOS (http://www.cebos.com) dengan nama The CEBOS MQ1 Document Management Software dan Niix ISO Document Management System (DMS) dari perusahaan Software Research and Development Provider (http://niix.com). Perangkat lunak ini digunakan untuk mengendalikan dokumen elektronik, hanya saja perangkat lunak ini belum memiliki aplikasi pengenalan dokumen secara otomatis yang bersumber dari dokumen hardcopy.

Pengenalan (identifikasi) dokumen identik dengan beberapa penelitian yang berkaitan dengan pengenalan pola yang lebih dikenal dengan pengenalan huruf dan angka, terutama yang menggunakan teknik klasifikasi JST. Berikut ini beberapa penelitian yang membahas tentang pengenalan karakter huruf dan angka menggunakan JST :

• Penerapan neural network tentang metode backpropagation pada pengenalan pola huruf (Sholahuddin 2002). Penelitian ini mampu mengenali pola huruf abjad dengan baik meskipun diberi noise dengan batas-batas tertentu.

• Teknik pengenalan huruf menggunakan model jaringan syaraf tiruan radial basis function dengan randomize cluster decision (Haryono 2005).

(24)

Penelitian ini mengembangkan perpaduan model Jaringan saraf tiruan antara model radial dengan pembentukan cluster menggunakan model SOM (Self Organizing Map).

• Teknik pengenalan karakter berbasis optik yaitu Optical Character Recognition System Using BP Algorithm (Park et al. 2008). Penelitian ini menggunakan algoritma JST propagasi balik dengan tiga buah lapisan (layer).

• Aplikasi jaringan syaraf tiruan untuk mengenali tulisan tangan huruf A,B,C, dan D pada jawaban soal pilihan ganda (Aprijani 2011).

Selain dengan teknik JST, beberapa penelitian juga menggunakan teknik lain untuk pengenalan karakter huruf dan angka, seperti algoritma genetika (Saputro 2003), dan perpaduan algoritma berbasis chain code dan sequence allignment (Wirayuda et.al 2009). Pada teknik yang menggunakan algoritma genetika, pengkodean dilakukan dengan cara memasangkan setiap koordinat obyek pengamatan dengan koordinat obyek model. Nilai dari hasil pemasangan koordinat tersebut menghasilkan nilai fitness yang berbeda, dari hasil penggunaan algoritma genetika ini mampu mengenali huruf dengan baik.

Pada perpaduan algoritma berbasis chain code dan sequence allignment, algoritma chain code digunakan untuk mengekstraksi ciri huruf yaitu membangun vektor ciri berisi informasi kode pembentuk huruf. Mekanisme inferensi dengan sequence allignment diperlukam untuk mencocokkan pola yang ada dengan pola yang terdapat di dalam basis pengetahuan.

Dalam penelitian ini metode pengenalan nomor dokumen mengambil teknik klasifikasi JST dengan menggunakan alogoritma propagasi balik seperti yang dilakukan oleh Park (Park et al. 2008). Adapun yang mendasari pemilihan JST karena teknik ini memiliki kemampuan melakukan proses pembelajaran untuk menciptakan suatu pola pengetahuan dan perhitungan secara paralel sehingga prosesnya lebih singkat. Penelitian ini mengambil studi kasus pengendalian dokumen pada penerapan SMM di Akademi Teknik Soroako (ATS).

(25)

1.2 Perumusan Masalah

Pengendalian dokumen menjadi salah satu permasalahan yang dihadapi oleh setiap organisasi yang menerapkan SMM. Dokumen dalam bentuk hardcopy yang dihasilkan dari setiap kegiatan atau proses harus dikendalikan. Permasalahan yang timbul dari proses pengendalian dokumen hardcopy ini adalah tidak efisien dalam melakukan proses penyimpanan, pengambilan (retrieval), perawatan dan beberapa aturan seperti yang dipersyaratkan oleh standar ISO 9001:2008. Belum adanya aplikasi spesifik yang dapat mengenali dan menyimpan dokumen hardcopy secara otomatis menjadikan permasalahan ini belum dapat terselesaikan.

Permasalahan ini juga yang dihadapi oleh ATS. Sejak menerapkan SMM jumlah dokumen yang telah diterbitkan sebanyak 395 dokumen yang terdiri dari 1 buah manual mutu, 9 buah prosedur, 160 instruksi kerja, dan 235 formulir seperti yang diperlihatkan pada Tabel 1 (ATS 2010a). Dari 235 formulir tidak kurang dari 150 lembar formulir tersebut digunakan dalam proses transaksi harian, sehingga secara otomatis formulir-formulir tersebut disimpan sebagai rekaman.

Tabel 1 Komposisi dokumen SMM ATS

Unit Manual Mutu Prosedur Instruksi Kerja Formulir

QMR 1 9 - - KPG - - 9 21 BAK - - 5 4 BKM - - 7 - BSP - - 8 - BSPM - - - 18 KMT - - 1 8 LK3 - - 11 10 MHS - - 9 15 LIB - - 5 11 PIF - - 19 21 TPM - - 21 32 PMPS - - 1 1 PPF - - 10 - PSDM - - 7 4 PSPPM - - 27 54 PUSREK - - 8 20 ICT - - 11 7 WKMD - - 1 9 Jumlah 1 9 160 235 Total 395

(26)

Untuk mempertahankan konsistensi implementasi SMM, setiap tahun ATS melakukan proses audit yang dilaksanakan oleh badan sertifikasi ISO yang bersifat independen. Pengendalian dokumen SMM merupakan salah satu perhatian serius dalam proses audit karena dokumen merupakan bukti bawah suatu kegiatan atau proses telah dilakukan sesuai dengan prosedur yang ditetapkan.

1.3_{Tujuan Penelitian}

Penelitian ini bertujuan untuk merancang bangun aplikasi pengendalian dokumen SMM yang bersumber dari dokumen hardcopy. Proses pengenalan nomor dokumen menggunakan teknik klasifikasi JST dengan algoritma propagasi balik.

1.4 Manfaat Penelitian

Adapun manfaat yang dapat diperoleh dari penelitian ini adalah

a) Menghasilkan sebuah aplikasi pengendalian dokumen yang memiliki kecerdasan dalam proses identifikasi nomor dokumen.

b) Dapat menjadi solusi oleh institusi pendidikan khususnya Akademi Teknik Sorowako dalam meningkatkan kualitas pengendalian dokumen SMM yang sudah ada.

c) Dapat dijadikan acuan oleh setiap organisasi dalam melakukukan pengendalian dokumen dengan efisien sehingga menjaga konsistensi penerapan SMM.

1.5 Ruang Lingkup Penelitian

Penelitian yang dilakukan memiliki batasan atau ruang lingkup sebagai berikut :

a) Penelitian dilakukan dengan mengambil studi kasus pengendalian dokumen di Akademi Teknik Soroako.

b) Data yang digunakan dalam penelitian ini berupa dokumen SMM level 4 yaitu dokumen jenis formulir dan rekaman versi terakhir.

c) Pengendalian dokumen yang dibahas meliputi pengenalan nomor dokumen, penyimpanan, pendistribusian, pencarian, dan pemusnahan rekaman.

d) Format penomoran dokumen SMM yang dibahas terdiri dari enam digit karakter yaitu huruf F dan angka 0 sampai dengan 9.

(27)

BAB II

2.1 Pengolahan Citra

Bidang pengolahan citra secara

yaitu saat pertama kali sebuah foto berhasil ditransmisikan secara digital melalui kabel laut dari kota New York ke kota London (Wijaya & Prijono 2007).

banyak dikembangkan berbagai aplikasi pengolahan ci

dikelompokkan dalam dua bagian:

a) Memperbaiki kualitas suatu

mudah diinterpretasikan oleh manusia.

b) Mengolah informasi yang terdapat pada

keperluan pengenalan objek secara otomatis oleh suatu mesin.

2.1.1 Pengertian Citra Digital.

Citra digital merupakan sebuah larik (

maupun komplek yang dapat direpresentasikan dengan deretan bit tertentu. Citra dapat didefenisikan dengan sebuah fungsi f(x,y) berukuran matrik M kali N, dimana M adalah baris d

spasial (Putra 2010). Amplitudo f dititik koordinat (x,y) dinamakan intensitas atau

tingkat keabuan citra pada titik tersebut. Apabila nilai x,y dan nilai amplitudo f secara keseluruhan berhingga (

bahwa citra tersebut adalah citra digital. Titik posisi koordinat citra digital

BAB II TINJAUAN PUSTAKA

Bidang pengolahan citra secara digital mulai diminati diawal tahun 1921, kali sebuah foto berhasil ditransmisikan secara digital melalui kabel laut dari kota New York ke kota London (Wijaya & Prijono 2007).

yak dikembangkan berbagai aplikasi pengolahan citra yang secara umum dapat dikelompokkan dalam dua bagian:

Memperbaiki kualitas suatu gambar (citra) sehingga dapat lebih

mudah diinterpretasikan oleh manusia.

Mengolah informasi yang terdapat pada gambar (citra) untuk

keperluan pengenalan objek secara otomatis oleh suatu mesin. Pengertian Citra Digital.

Citra digital merupakan sebuah larik (array) yang berisi nilai

maupun komplek yang dapat direpresentasikan dengan deretan bit tertentu. Citra dapat didefenisikan dengan sebuah fungsi f(x,y) berukuran matrik M kali N,

dimana M adalah baris dan N adalah kolom serta x dan y merupakan koordinat

spasial (Putra 2010). Amplitudo f dititik koordinat (x,y) dinamakan intensitas atau pada titik tersebut. Apabila nilai x,y dan nilai amplitudo f secara keseluruhan berhingga (finite) dan bernilai deskrit maka dapat dikatakan

bahwa citra tersebut adalah citra digital. Titik-titik pada Gambar 2 menunjukkan

posisi koordinat citra digital (Putra 2010).

Gambar 2 Koordinat citra digital

digital mulai diminati diawal tahun 1921, kali sebuah foto berhasil ditransmisikan secara digital melalui

kabel laut dari kota New York ke kota London (Wijaya & Prijono 2007). Saat ini

tra yang secara umum dapat

(citra) sehingga dapat lebih

(citra) untuk keperluan pengenalan objek secara otomatis oleh suatu mesin.

) yang berisi nilai-nilai riil

maupun komplek yang dapat direpresentasikan dengan deretan bit tertentu. Citra dapat didefenisikan dengan sebuah fungsi f(x,y) berukuran matrik M kali N, merupakan koordinat spasial (Putra 2010). Amplitudo f dititik koordinat (x,y) dinamakan intensitas atau pada titik tersebut. Apabila nilai x,y dan nilai amplitudo f ) dan bernilai deskrit maka dapat dikatakan menunjukkan

(28)

Citra digital dapat ditulis dalam bentuk matrik sebagai berikut : , = 0,0_1,0 0,1_1,1 _{⋯ 1, − 1}… 0, − 1 ⋮ ⋮ ⋮ − 1,0 − 1,1 … − 1,1 . …...(1)

Matriks (1) menunjukkan nilai pada suatu irisan antara baris dan kolom (pada posisi x,y) disebut dengan picture elements, image elements, pels, atau pixels (Putra 2010). Istilah terakhir (pixel) paling sering digunakan pada citra digital. Pemrosesan citra merupakan ilmu untuk memanipulasi citra. Pemrosesan citra mencakup teknik-teknik untuk memperbaiki atau mengurangi kualitas citra, menampilkan bagian tertentu dari citra, membuat sebuah citra yang baru dari beberapa bagian citra yang sudah ada, dan beberapa teknik manipulasi citra lainnya.

2.1.2 Jenis Citra.

Nilai suatu pixel memiliki nilai dalam rentang tertentu, dari nilai minimum sampai nilai maksimum. Jangkauan yang digunakan berbeda-beda tergantung dari jenis warnanya. Namun secara umum jangkauannya adalah 0 - 255. Citra dengan penggambaran seperti ini digolongkan kedalam citra integer (Putra 2010). Dalam ilmu pengolahan citra digital dikenal beberapa jenis citra yaitu : citra biner, grayscale, citra warna 8 bit, citra warna 16 bit, dan citra warna 24 bit. Pada penelitian ini jenis citra yang digunakan adalah citra biner dan grayscale.

a)_{Citra Biner}

Citra biner merupakan citra digital yang hanya memiliki dua kemungkinan nilai pixel yaitu hitam dan putih. Citra biner juga disebut sebagai citra B&W (black and white) atau citra monokrom (Putra 2010). Hanya dibutuhkan 1 bit untuk mewakili nilai setiap pixel dari citra biner. Citra biner seringkali muncul sebagai hasil dari proses pengolahan seperti segmentasi, pengambangan, morfologi, ataupun dithering.

(29)

b) Keabu-abuan (Grayscale)

Citra grayscale merupakan citra digital yang hanya memiliki satu nilai kanal pada setiap pixelnya, dengan kata lain nilai bagian warna Red(R) = Green(G) = Blue(B) (Putra 2010). Nilai tersebut digunakan untuk menunjukkan tingkat intensitas. Warna yang dimiliki adalah warna hitam, keabuan dan putih. Tingkat keabuan disini merupakan warnah abu dengan berbagai tingkatan dari hitam hingga mendekati putih. Citra grayscale memiliki kedalaman warna 8 bit (256 kombinasi warna keabuan).

Format File Citra.

Terdapat beberapa jenis format file citra standar yang digunakan saat ini. Format-format ini digunakan dalam penyimpanan citra dalam sebuah file. Setiap format memiliki karakteristik masing-masing (Putra 2010). Berikut adalah penjelasan beberapa format tersebut.

Bitmap (.bmp)

Format .bmp adalah format penyimpanan standar tanpa kompresi yang umum dapat digunakan untuk menyimpan citra biner hingga citra warna (Putra 2010). Format ini terdiri dari beberapa jenis yang setiap jenisnya ditentukan dengan jumlah bit yang digunakan untuk untuk menyimpan sebuah nilai pixel. Tagged Image Format (.tif, .tiff)

Format .tif merupakan format penyimpanan citra yang dapat digunakan untuk menyimpan citra bitmap hingga citra dengan warna palet terkompresi (Putra 2010). Format ini dapat digunakan untuk menyimpan citra yang tidak terkompresi dan juga citra terkompresi.

JPEG (.jpg)

Format .jpg adalah format yang sangat umum digunakan saat ini khususnya untuk transisi citra. Format ini digunakan untuk menyimpan citra hasil kompresi dengan metode JPEG.

Portable Network Graphics (.png)

Format .png adalah format penyimpanan citra terkompresi. Format ini dapat digunakan pada citra grayscale, citra dengan palet warna, dan juga citra fullcolor

(30)

(Putra 2010). Format .png juga mampu menyimpan informasi hingga kanal alpha dengan penyimpanan sebesar 1 hingga 16 bit per kanal.

2.2 Jaringan Syaraf Tiruan untuk Pengenalan Pola.

Jaringan Syaraf Tiruan (JST) atau Artificial Neural Network (ANN) adalah model jaringan syaraf yang meniru prinsip kerja dari neuron otak manusia (neuron biologis). JST pertama kali muncul setelah model sederhana dari neuron buatan diperkenalkan oleh McCulloch dan Pitts pada tahun 1940 (Puspitanigrum 2006). Model sederhana tersebut dibuat berdasarkan fungsi neuron biologis yang merupakan dasar unit pensinyalan dari sistem syaraf.

JST memiliki beberapa kemampuan seperti yang dimiliki oleh manusia, yaitu: 1. Kemampuan untuk belajar dari pengalaman,

2. Kemampuan melakukan perumpamaan (generalization) terhadap input baru dari pengalaman yang dimiliki,

3. Kemampuan memisahkan (abstraction) karakteristik penting dari input yang mengandung data yang tidak penting.

2.2.1 Model Neuron Biologis.

Jaringan Syaraf atau Neural Network (NN) terdiri atas banyak elemen pemroses sederhana yang disebut neuron, sel, unit, atau simpul (Puspitanigrum 2006). Otak manusia diperkirakan memiliki sekitar 100 miliar neuron. Setiap sel syaraf berhubungan dengan sel syaraf lainnya memakai saluran komunikasi yang diatur dengan suatu bobot penghubung. Gambar 3. menunjukkan struktur Neuron pada manusia.

(31)

Secara umum neuron memiliki 4 daerah utama: 1. Dendrit (Dendrite).

Dendrit adalah perluasan dari soma yang menyerupai rambut dan bertindak sebagai saluran untuk menerima masukan dari sel syaraf lainnya melalui sinapsis.

2._{Sel Tubuh (Soma)}

Sel tubuh atau soma merupakan jantung sel yang memiliki inti (nucleus). Soma bertugas memproses nilai masukan dari semua dendrit yang terhubung dengannya menjadi suatu output. Soma memiliki dua cabang yaitu dendrit dan akson.

3. Akson (Axon)

Pada umumnya Neuron hanya memiliki satu akson yang tumbuh dari bagian Soma dan disebut dengan akson hillock. Akson menyalurkan sinyal elektrik yang dihasilkan pada bagian bawah dari akson hillock. Sinyal elektrik digunakan oleh neuron untuk menyampaikan informasi (sinyal) ke otak dengan semua sinyal sama. Jadi, otak menentukan jenis informasi yang diterima berdasarkan jalur yang membawa sinyal. Otak kemudian menganalisis dan menafsirkan jenis informasi yang diterima. Mylin, adalah materi lemak yang melindungi syaraf yang berfungsi sebagai lapisan pelindung. Bagian akson yang tidak terlindung dengan Mylin disebut dengan nodus ranvier. Pada nodus ini sinyal yang mengalir dan mengalami penurunan diperkuat lagi untuk memastikan bahwa perjalanan sinyal pada akson mengalir cepat dan tetap konstan.

4. Sinapsis (Synapse)

Sinapsis merupakan bagian kontak (tempat) terjadinya pertukaran sinyal antara dua neuron. Neuron sebenarnya secara fisik tidak terhubung. Mereka dipisahkan oleh synaptic cleft. Neuron yang mengirim sinyal disebut dengan sel presynaptic dan neuron yang menerima sinyal disebut dengan sel postsynaptic.

2.2.2 Model JST

Prinsip kerja JST didasari pada mekanisme kerja penyaluran informasi sistem jaringan syaraf. Namum demikian karena keterbatasan yang dimiliki oleh

(32)

struktur JST maka hanya sebagian kecil saja dari kemampuan sistem syaraf manusia yang dapat ditiru (Puspitanigrum 2006). Ilustrasi model JST seperti yang ditunjukkan pada Gambar 4.

Gambar 4 Ilustrasi model JST (Puspitanigrum 2006). Berikut penjelasan Gambar 4:

• Pr menyatakan sinyal input dari node input ke i = 1,2,...,r, dengan r menyatakan jumlah input.

• Ws,r menyatakan bobot (weight) hubungan dari node (neuron) input r ke

node (neuron) yang di tuju j, j = 1,2,...,S, dengan S menyatakan jumlah neuron.

• n menyatakan total (jumlah) sinyal terbobot yang masuk ke node s atau juga sering disebut sebagai tingkat pengaktifan (activation level) di node s. • f menyatakan fungsi transfer (transfer function) yang menentukan

keluaran dari node s dan tergantung dari nilai n.

• as menyatakan sinyal yang keluar (outgoing signal) atau output dari node

s.

Nilai n dari model diatas dihitung dengan rumus :

n = Ws,r .pr ...(4)

sedangkan keluaran node yang dinyatakan dengan a dapat ditentukan sebagai berikut .

a = f(n) ...(5) seringkali kedua formula diatas digabung menjadi satu seperti berikut :

(33)

2.2.3 Pembelajaran pada JST

Proses pembelajaran(learning) atau pelatihan (training) pada JST merupakan proses perubahan atau penyesuaian tingkat kekuatan hubungan antar node-node yang saling terhubung (Puspitanigrum 2006). Tingkat kekuatan hubungan antar node dinyatakan dengan nilai bobot. Ini berarti proses pembelajaran pada JST tidak lain merupakan proses penyesuaian nilai-nilai bobot tersebut.

Proses pembelajaran merupakan suatu proses iterasi pada sistem JST yang cukup kompleks dan proses belajar membutuhkan waktu yang cukup panjang. Selama proses belajar faktor bobot mengalami perubahan dan bila tahapan belajar sudah selesai maka nilai-nilai faktor bobot yang dihasilkan disimpan dan digunakan sebagai faktor bobot terpakai. Keandalan suatu JST tergantung pada keberhasilan dalam menemukan faktor bobot terpakai tersebut.

2.2.4 Algoritma JST Propagasi Balik.

Propagasi balik (backpropagation) adalah salah satu pengembangan dari arsitektur Single Layer Neural Network. Arsitektur ini terdiri dari input layer, hidden layer dan output layer (Puspitanigrum 2006). Setiap layer terdiri dari satu atau lebih artificial neuron.

Algoritma propagasi balik merupakan salah satu teknik pembelajaran terawasi (supervised learning) dan digunakan dalam eksperimen/penelitian ini, oleh karena itu diperlukan pemahaman beberapa unsur penting dalam metode propagasi balik. Di dalam jaringan propagasi balik, setiap unit yang berada di lapisan input terhubung dengan setiap unit yang ada di lapisan tersembunyi. Setiap unit yang ada di lapisan tersembunyi terhubung dengan setiap unit yang ada di lapisan output.

Jaringan ini terdiri dari banyak lapisan (multilayer network). Ketika jaringan diberikan pola masukan sebagai pola pelatihan, maka pola tersebut menuju unit-unit lapisan tersembunyi untuk selanjutnya diteruskan pada unit-unit-unit-unit lapisan keluaran. Kemudian unit-unit lapisan keluaran memberikan respon sebagai keluaran JST. Saat hasil keluaran tidak sesuai dengan yang diharapkan, maka keluaran disebarkan mundur (backward) pada lapisan tersembunyi kemudian dari lapisan tersembunyi menuju lapisan masukan.

(34)

Arsitektur jaringan propagasi balik seperti terlihat pada Gambar 5, x1

sampai dengan xn adalah input layer, z1 sampai dengan zp adalah hidden layer ,

dan y1 sampai dengan ym adalah output layer.

Gambar 5 Arsitektur jaringan propagasi balik (Kusumadewi 2004).

Tahap pelatihan ini merupakan langkah untuk melatih suatu JST, yaitu dengan cara melakukan perubahan bobot. Sedangkan penyelesaian masalah dilakukan jika proses pelatihan tersebut telah selesai, fase ini disebut fase testing. Pada proses pelatihan algoritma propagasi balik menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu.

Pelatihan propagasi umpan balik berbasis jaringan syaraf tiruan meliputi 3 fase. Fase pertama adalah fase maju. Pola masukan dihitung maju mulai dari lapisan masukan hingga lapisan keluaran menggunakan fungsi aktivasi yang ditentukan. Fase kedua adalah fase mundur. Selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit di lapisan keluaran. Fase ketiga adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi. Berikut penjelasan umum setiap fase (Siang 2009) . X1 Z1 Y X1 X1 Z1 1 1

(35)

Fase I: Propagasi Maju.

Selama propagasi maju, sinyal masukan (xi) dipropagasikan ke lapisan

tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran dari setiap unit lapisan tersembunyi (zj) tersebut selanjutnya dipropagasikan maju lagi ke

layer tersembunyi di atasnya menggunakan fungsi aktivasi yang ditentukan. Demikian seterusnya hingga menghasilkan keluaran jaringan (yk).

Berikutnya, keluaran jaringan (yk) dibandingkan dengan target yang harus

dicapai (tk). Selisih dari tk terhadap yk yaitu tk-yk adalah kesalahan yang terjadi.

Jika kesalahan ini lebih kecil dari batas toleransi yang ditentukan, maka iterasi dihentikan. tetapi apabila kesalahan masih lebih besar dari batas toleransinya, maka bobot setiap garis dalam jaringan dimodifikasi untuk mengurangi kesalahan yang terjadi.

Fase II: Propagasi Mundur

Berdasarkan kesalahan tk-yk, dihitung faktor δk ( k = 1,2,..., m ) yang dipakai

untuk mendistribusikan kesalahan di unit yk ke semua unit tersembunyi yang

terhubung langsung dengan yk. Faktor δk juga dipakai untuk mengubah bobot

garis yang berhubungan langsung dengan unit keluaran.

Dengan cara yang sama, dihitung faktor δj ( j = 1,2,..., m ) di setiap unit di

lapisan tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari unit tersembunyi di lapisan di bawahnya. Demikian seterusnya hingga semua faktor di unit tersembunyi yang berhubungan langsung dengan unit masukan dihitung.

Fase III: Perubahan Bobot

Setelah semua faktor dihitung, bobot semua garis dimodifikasi bersamaan. Perubahan bobot suatu garis didasarkan atas faktor neuron di lapisan atasnya. Sebagai contoh, perubahan bobot garis yang menuju ke lapisan keluaran didasarkan atas k yang ada di unit keluaran.

Ketiga fase tersebut diulang-ulang terus hingga kondisi penghentian dipenuhi. Umumnya kondisi penghentian yang sering dipakai adalah jumlah iterasi atau kesalahan. Iterasi dihentikan jika jumlah iterasi yang dilakukan sudah melebihi jumlah maksimum iterasi yang ditetapkan, atau jika kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang diijinkan. Selama proses

(36)

pelatihan bobot-bobot diatur secara iteratif untuk meminimumkan fungsi kinerja jaringan. Pada penelitian ini fungsi kinerja yang digunakan untuk propagasi balik adalah Mean Square Error (MSE). Adapun rumus dari fungsi kinerja MSE adalah:

∑

= − = m k k k y t m MSE 1 2 ) ( 1 ...(7) Fungsi ini mengambil rata-rata kuadrat error yang terjadi antara output jaringan (yk) dan target (tk). Algoritma selengkapnya tentang JST Propagasi balik (Siang

2009) dapat dilihat pada Lampiran 1. 2.3_{Database Relasional}

Database relasional adalah jenis database yang menggunakan model relasional (Kadir 2008). Pada model relasional data dibentuk dalam sejumlah relasi atau tabel. Untuk menangani database dibutuhkan sebuah atau sejumlah DBMS (Database Management System). DBMS adalah suatu perangkat lunak yang ditunjukkan untuk menangani penciptaan, pemeliharaan, dan pengendalian akses data. Dengan menggunakan perangkat lunak ini pengelolaan data menjadi mudah dilakukan. Selain itu perangkat lunak ini juga menyediakan berbagai piranti berguna seperti pembuatan laporan. DBMS yang akan digunakan pada penelitian ini adalah Microsoft Access 2007. Dalam perancangan database ada beberapa tahapan yang harus dilakukan. Tahapan-tahapan dalam proses perancangan database seperti dutunjukkan pada Gambar 6.

Gambar 6 Diagram perancangan database (Kadir 2008).

Tahap awal yang dilakukan dalam perancangan database adalah melakukan pengumpulan kebutuhan akan informasi yang dibutuhkan oleh suatu organisasi dan

(37)

kemudian menganalisisnya. Penggalian kebutuhan informasi ini dilakukan dengan cara antara lain melakukan wawancara, mengamati sistem yang sedang berjalan dan mempelajari dokumen-dokumen yang tersedia, sehingga data yang digunakan untuk menyusun informasi bisa teridentifikasi. Untuk menggambarkan proses-proses bisnis dalam organisasi dan sekaligus menerangkan kaitan antara proses-proses dan data maka diperlukan diagram alir yang disebut dengan DFD (Data Flow Diagram). DFD ini sekaligus dapat digunakan sebagai bahan untuk berkomunikasi antar pengembang sistem dan calon pemakai sistem.

Pada langkah perancangan konseptual data yang dibutuhkan oleh organisasi dikelompokkan menurut kriteria tertentu kemudian antara satu grup data dengan grup data yang lain dilengkapi dengan hubungan. Dalam terminologi database grup data tersebut dinamakan entitas (Kadir 2008). Model E-R adalah suatu model yang digunakan untuk menggambarkan data dalam bentuk entitas, atribut dan hubungan atar entitas. Huruf E sendiri menyatakan entitas dan R menyatakan hubungan (dari kata relationship).

Perancangan logis merupakan suatu tahapan yang digunakan untuk menentukan hasil perancangan konseptual kedalam bentuk yang nantinya akan diimplementasikan. Pada umumnya tahapan ini sudah memikirkan jenis basis data (DBMS) yang akan digunakan. Sebagai contoh bahwa jika DBMS yang digunakan adalah jenis relasional, maka skema konseptual yang digunakan adalah model E-R yang dipetakan atau ditrasformasikan kedalam bentuk relasi/tabel. Langkah terakhir dalam perancangan basis data berupa tahapan yang dinamakan perancangan fisik. Perancangan ini sangat spesifik terhadap DBMS yang digunakan. Tipe data atau domain untuk masing-masing kolom dalam setiap tabel harus disesuaikan dengan DBMS yang digunakan.

2.1_{Pengolahan Citra Digital Menggunakan Visual Basic}

Visual Basic (atau sering disingkat VB) adalah perangkat lunak untuk menyusun program aplikasi yang bekerja dalam lingkup sistem operasi Windows. Dalam Visual Basic terdapat sebuah toolbox yang dapat digunakan untuk membuat objek sesuai kebutuhan.

(38)

Proses awal yang banyak digunakan dalam pengolahan citra adalah mengubah citra berwarna menjadi citra grayscale, hal ini diperlukan untuk menyederhanakan model citra. Untuk mengubah citra berwarna menjadi citra grayscale dapat dilakukan dengan mengambil rata-rata nilai R, G, dan B (Basuki et al. 2005). Gambar dan penulisan code dalam Visual Basic untuk mengubah citra berwarna menjadi citra grayscale seperti ditunjukkan pada Gambar 7.

Gambar 7 Konversi citra warna ke citra grayscale dalam Visual Basic 2.1.1 Konversi Citra Grayscale ke Citra Biner

Citra biner (hitam-putih) merupakan citra yang banyak dimanfaatkan untuk keperluan pengenalan pola yang sederhana seperti pengenalan angka atau pengenalan huruf. Untuk mengubah suatu citra grayscale menjadi citra biner dilakukan dengan mengubah kuantisasi citra atau proses Thresholding. Gambar dan penulisan code dalam Visual Basic untuk mengubah citra grayscale menjadi citra biner seperti ditunjukkan pada Gambar 8.

Gambar 8 Konversi citra grayscale ke citra biner dalam Visual Basic

For I = 0 To Picture1.ScaleWidth Step 15 For j = 0 To Picture1.ScaleHeight Step 15 warna = Picture1.Point(I, j) r = warna And RGB(255, 0, 0) g = Int(warna And RGB(0, 255, 0)) / 256 b = Int((Int(warna And RGB(0, 0, 255)) / 256) / 256) x = (r + g + b) / 3 Picture2.PSet (I, j), RGB(x, x, x) Next j Next I

For I = 0 To Picture1.ScaleWidth Step 15 For j = 0 To Picture1.ScaleHeight Step 15 warna = Picture1.Point(I, j) r = warna And RGB(255, 0, 0) g = Int(warna And RGB(0, 255, 0)) / 256 b = Int((Int(warna And RGB(0, 0, 255)) / 256) / 256) x = (r + g + b) / 3 If x < 128 Then x = 0 Else x = 255 Picture2.PSet (I, j), RGB(x, x, x) Next j

(39)

BAB III METODOLOGI PENELITIAN

3.1._{Kerangka Pemikiran}

Kerangka pemikiran untuk penelitian ini seperti pada Gambar 9. Penelitian dibagi dalam empat tahapan yaitu persiapan penelitian, proses pengolahan data, desain pemodelan dan desain aplikasi termasuk simulasi dan pengujian.

Gambar 9 Kerangka pemikiran. 3.1.1 Persiapan Penelitian

Persiapan penelitian merupakan tahap awal dari rangkaian penelitian yang dilakukan. Dalam tahap ini dilakukan beberapa proses yang dimulai dengan

(40)

memahami permasalahan yang diteliti, kemudian menetapkan tujuan yang dicapai, melakukan studi literatur sebagai bahan untuk melengkapi pengetahuan dasar peneliti dan menentukan ruang lingkup penelitian.

3.1.2 Pengumpulan dan Pengolahan Data

Pada tahap ini, dilakukan pengumpulan data berupa sampel formulir dan rekaman. Nomor yang terdapat pada setiap formulir dan rekaman adalah bagian yang menjadi perhatian dalam tahap pengolahan data, sebab nomor dokumen ini yang menjadi objek untuk diteliti (Gambar 10). Nomor ini memiliki format “ F X X X X X X”, dimana X dalam format Angka 0 – 9.

Gambar 10 Menangkap citra nomor formulir

Kegiatan berikutnya pada tahap pengolahan adalah melakukan ekstraksi ciri dari semua nomor formulir yang dijadikan data input pada proses pelatihan dan testing JST. Adapun langkah-langkah yang dilakukan untuk mendapatkan data ini adalah pertama menangkap citra pada lokasi nomor formulir yang terdapat pada dokumen hasil pindai. Untuk mendapat hasil pemotongan yang optimal dilakukan proses deteksi tepi terhadap setiap karakter yang terdapat dalam nomor formulir sebagai mana yang diperlihatkan pada Gambar 11.

(41)

Gambar 11 Menangkap citra nomor formulir

Hasil penangkapan citra dalam bentuk greyscale selanjutnya disegmentasi. Proses segmentasi dilakukan pada masing-masing karakter dengan ukuran 10 x 8 pixels seperti yang ditunjukkan oleh Gambar 10.

Setiap citra hasil segmentasi selanjutnya diubah kedalam format citra hitam putih. Citra setiap karakter direpresentasikan dalam bentuk biner, yang berwarna hitam diberi nilai 1 dan warna putih diberi nilai 0 sebagaimana yang ditunjukkan pada Gambar 12. Nilai biner dari setiap karakter dibentuk menjadi sebuah vektor sebagai input pada proses JST.

Gambar 12 Representasi citra biner (hitam putih) 3.1.3 Desain Model JST

a. Arsitektur JST

Dalam penelitian ini algoritma JST yang digunakan untuk mendapatkan model dan pencocokan pola adalah algoritma propagasi balik. Arsitektur JST yang digunakan adalah Multi Layer Perceptron (MLP) dengan satu lapisan tersembunyi. Pemilihan arsitektur MLP mengacu pada penelitian yang dilakukan oleh park et al 2008. Arsitektur yang digunakan seperti yang ditunjukkan pada Gambar 13.

Menangkap citra nomor

(42)

Gambar 13 Model arsitektur MLP pengenalan dokumen. Keterangan Gambar :

LK : Lapisan Keluaran (y1, y2, y3, y4, y5, y6, ..., yn , n = 11)

LT : Lapisan Tersembunyi (h1, h2, h3, h4, h5, h6, ..., hn , n = variasi

jumlah neurons 7, 9, 11, 15, 20, 25, 30, 40, 60)

LM : Lapisan Masukan ( x1, x2, x3, x4, x5, x6, ..., xn , n = 80 )

xi : variabel input node i pada lapisan input, i = 0, 1, 2, …, xn

hj : output node j pada lapisan hidden, j = 0, 1, 2, …,hn

yk : output node k pada lapisan output, k = 1, 2, ...yn

wij : bobot yang menghubungkan noda i pada lapisan input dengan

node j pada lapisan tersembunyi

vjk : bobot yang menghubungkan node j pada lapisan tersembunyi

dengan node k pada lapisan output

b1 : bias pada lapisan masukan dengan nilai 1

b2 : bias pada layer tersembunyi dengan nilai 1

(43)

Pada lapisan masukan menggunakan 80 neuron sesuai pixel citra dari setiap karakter nomor dokumen yaitu 10 x 8. Tidak ada kepastian tentang berapa banyak jumlah neuron pada lapisan tersembunyi agar jaringan dapat dilatih dengan sempurna (Siang 2009), pada penelitian sebelumnya (Aprijani 2011) penetapan jumlah neuron pada lapisan tersembunyai divariasikan pada 5, 8, 10 dan 20.

Pada Penelitian ini jumlah neuron pada lapisan tersembunyi divariasikan untuk mendapatkan model terbaik yaitu 7, 9, 11, 15, 20, 25, 30, 40, 50, dan 60 neuron. Penetapan jumlah neuron pada lapisan tersembunyi ini dilakukan dengan proses trial and error. Pada lapisan keluaran jumlah neuron ditetapkan dengan penyesuain pendefinian target, dalam hal ini terdapat 11 target yang akan didefinisikan yaitu huruf F dan angka 0 sampai dengan 9. Metode Pemberhentian iterasi digunakan dengan menerapkan error terkecil (MSEmin) dan epoch

maximum (Epochmax) sebagaimana yang dilakukan oleh Aprijani 2011.

b. Pendefinisian Target

Dalam mendesain pengembangan model JST, diharapkan dapat mengenali 11 jenis pola karakter sesuai dengan nomor formulir. Model JST yang dibangun menggunakan fungsi aktifasi sigmoid biner, fungsi aktifasi ini digunakan untuk jaringan syaraf yang dilatih dengan menggunakan metode backpropagation (Kusumadewi 2004). Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1. Fungsi sigmoid biner dirumuskan dengan :

= = ...(8)

Karena model JST yang dikembangkan menggunakan fungsi aktifasi sigmoid biner maka diperlukan pendefinisian target yang mengacu pada nomor dokumen yang terdiri dari kombinasi huruf F dan angka 0 sampai dengan 9. Dengan demikian terdapat 11 jenis pola yang akan dihasilkan dari desain Model JST yang dikembangkan. Ke 11 pola tersebut masing masing memiliki target berupa karakter yaitu “F”, ”0”, “1”, “2”, “3”, “4”, “5”, “6”, “7”, “8”, “9”. Pendefinisian target JST yang digunakan seperti pada Tabel 2.

(44)

Tabel 2 Definisi target No. Target H 1 1 0 0 0 0 0 0 0 0 0 0 0 2 0 1 0 0 0 0 0 0 0 0 0 1 3 0 0 1 0 0 0 0 0 0 0 0 2 4 0 0 0 1 0 0 0 0 0 0 0 3 5 0 0 0 0 1 0 0 0 0 0 0 4 6 0 0 0 0 0 1 0 0 0 0 0 5 7 0 0 0 0 0 0 1 0 0 0 0 6 8 0 0 0 0 0 0 0 1 0 0 0 7 9 0 0 0 0 0 0 0 0 1 0 0 8 10 0 0 0 0 0 0 0 0 0 1 0 9 11 0 0 0 0 0 0 0 0 0 0 1 F Keterangan: H : huruf/angka sebagai representasi target c. Metode Pelatihan dan Pengujian

Proses pelatihan dan testing dilakukan dalam upaya untuk mendapatkan model JST yang terbaik. Prosedur pelatihan dilakukan dengan melakukan variasi jumlah neuron pada lapisan tersembunyi. Kinerja dari jaringan syaraf diukur dengan melihat error hasil pelatihan, validasi dan testing terhadap sekumpulan data. Data dibagi menjadi dua bagian yang saling asing, yaitu data yang dipakai sebagai pelatihan/validasi dan data yang dipakai untuk testing (Kusumadewi 2004). Pada penelitian yang dilakukan oleh Aprijani 2011, 75% dari data penelitian digunakan untuk proses training dan 25% digunakan untuk pengujian (testing).

Mengingat keterbatasan jumlah data, percobaan yang akan dilakukan pada penelitian ini akan mengalokasi data untuk pelatihan sebanyak 70% dan data untuk testing sebanyak 30%. Dari 70% data pelatihan yang digunakan memiliki jumlah komposisi karakter yaitu huruf “F” (140 buah), angka “0” (417 buah), angka “1” (106 buah), angka “2” (127 buah), angka “3” (88 buah), angka “4” (36 buah), angka “5” (36 buah), angka “6” (12 buah), angka “7” (12 buah), angka “8” (17 buah), dan angka “9” (13 buah).

Untuk mendapatkan hasil pelatihan dengan cepat dan akurat digunakan sebuah algoritma pelatihan traingdx. Algoritma ini merupakan penggabungan dari algoritma gradient conjugate with adaptive learning (traingda) dan gradient conjugate with momentum (traingdm). Algoritma traingdx merupakan fungsi

(45)

default yang digunakan pada matlab dan memiliki performa kecepatan pelatihan yang tinggi (Siang 2009). Struktur JST yang digunakan selengkapnya disajikan dalam Tabel 3.

Tabel 3 Struktur JST

Karakteristik Spesifikasi

Arsitektur Input Neurons

Hidden Neurons (Training Test) Output Neurons

Fungsi aktivasi Algoritma pelatihan Maksimum Epoch

Multi Layer Perceptron 80 7, 9, 11, 15, 20, 25, 30, 40, 50, 60 11 Sigmoid Biner Traingdx.(Matlab) 3000 d._{Pengambilan Keputusan}

Pengambilan keputusan dilakukan dengan metode nilai maksimum untuk data yang dikenali. Jika neuron output ke-n merupakan neuron yang memiliki nilai maksimum maka neuron ke-n akan bernilai 1 (satu) dan neuron yang lain bernilai 0 (nol). Sebagai contoh, jika neuron output ketiga bernilai maksimum maka nilai output ketiga akan bernilai 1 dan neuron yang lain bernilai 0, dengan demikian sesuai Tabel 3 jaringan akan mengenalinya sebagai karakter/angka “2”. 3.1.4 Perancangan Aplikasi

Desain aplikasi pengendalian dokumen dilakukan pada tahap ini. Model JST terbaik yang sudah didapatkan pada proses pelatihan dan testing selanjutknya digunakan dalam pengembangan sistem pengendalian dokumen. Dalam membangun aplikasi pengendalian dokumen tersebut diatas dilakukan langkah persiapan terutama yang berkaitan dengan perancangan basis data. Berikut langkah-langkan yang dilakukan:

a) Melakukan pengumpulan kebutuhan informasi yang diperlukan meliputi: • Pemahaman terhadap proses bisnis pengendalian dokumen.

• Penetapan jumlah unit kerja dan user yang terlibat dalam sistem. • Penentuan hak akses oleh setiap pengguna sistem.

(46)

• Pemahaman terkait aturan-aturan yang berlaku dalam pengendalian dokumen.

b) Melakukan perancangan konseptual terkait basis data, perancangan konseptual diperlukan untuk menggambarkan hubungan antar data, hubungan tersebut dinyatakan dalam digram E-R.

c) Melakukan perancangan logis terkait basis data, yaitu melakukan proses transformasi model data konseptual kedalam bentuk model logis.

d) Melakukan perancangan fisik terkait basis data, perancangan fisik diperlukan untuk mendapatkan efesiensi dalam pemrosesan data.

e) Melakukan testing terhadap sistem pengendalian dokumen, testing ini dilakukan untuk menemukan kesalahan dengan skenario tes yang direncanakan dengan data sesungguhnya.

3.2. Bahan dan Alat

Bahan yang digunakan dalam penelitian ini adalah sampel dokumen berupa formulir dan rekaman hasil kegiatan. Sampel fomulir dan rekaman yang digunakan adalah versi terakhir. Alat-alat dan perangkat lunak (tool) yang digunakan diantaranya, sebuah perangkat pindai (scanner). Perangkat ini diperlukan sebagai pemindah dari dokumen hardcopy ke bentuk softcopy dalam bentuk citra. Personal Computer atau Notebook dengan minimum spesifikasi Processor type Intel Pentium-4 1.8 GHz, RAM 512 Mb, Hardisk 60 Gb, Matlab versi 2008b, Microsof Visual Basic 6.0 , dan Microsoft Office 2007 untuk penulisan program aplikasi dan pengetikan dokumentasi penelitian.

(47)

BAB IV HASIL DAN PEMBAHASAN

4.1 Pengumpulan dan Pengolahan Data

Kegiatan pertama dalam tahap ini adalah melakukan pengumpulan data untuk bahan penelitian. Data yang telah diperoleh berupa jenis nomor formulir berjumlah 200 buah yang terdapat pada 200 lembar sampel formulir. Setiap sampel formulir memiliki nomor formulir terdiri dari 7 karakter, dengan demikian terdapat 1.400 data (huruf dan angka) yang digunakan dalam penelitian ini. Dalam tahap pengolahan data, proses yang paling utama dilakukan adalah proses ekstraksi ciri dari setiap karakter nomor formulir. Proses ini dilakukan dengan mengubah setiap karakter (citra) menjadi bentuk biner (0 atau 1). Proses ekstrasi citra karakter kedalam bentuk biner dilakukan untuk mendapatkan data masukan pada proses pemodelan JST. Proses ekstraksi ciri dilakukan dengan menggunakan aplikasi Visual Basic 6.0. Adapun langkah-langkah yang dilakukan adalah menangkap citra grayscale dari hasil pindai (scanner) pada area nomor formulir kemudian mengubah kedalam bentuk citra hitam putih, citra hitam putih ini selanjutnya di segmentasi menjadi tujuh bagian sesuai dengan jumlah karakter dengan ukuran setiap karakter 10 x 8 pixel. Setiap karakter diproses untuk mendapakan representasi biner, dimana citra yang berwarna hitam bernilai 1 dan citra yang berwana putih bernilai 0. Akhir dari tahap pra proses adalah membentuk representasi biner setiap karakter diatas kedalam vektor agar dapat dijadikan input pada model JST yang dibangun. Data hasil pra proses dapat dilihat pada Lampiran 2.

4.2 Analisis Hasil Pemodelan JST

Percobaan-percobaan dilakukan untuk mendapatkan model jaringan JST yang terbaik. Model JST terbaik adalah yang memberikan akurasi optimal ketika dilakukan validasi terhadap data training maupun pengujian terhadap data testing. Sebagai mana telah dijelaskan pada metodologi bahwa untuk proses pelatihan dengan data training menggunakan 70% dari data penelitian atau 980 data dan proses pengujian dengan data testing menggunakan 30% data penelitian atau 420

(48)

data. Berikut pembahasan dari setiap percobaan yang dilakukan pada masing

masing variasi jumlah neuron lapisan tersembunyi.

4.2.1 Lapisan tersembunyi dengan jumlah

Hasil percobaan pada proses

Gambar 14. Pada gambar tersebut ditunjukkan bahwa

sebesar 0,00541 diperoleh pada epoch 1808 dengan durasi 33 detik.

Gambar 14 Pelatihan dengan 7 Proses validasi dilakukan dengan

data training. Hasil dari proses validasi mampu

akurasi validasi dalam bentuk persentase

proses pengujian dengan menggunakan data

392 data, akurasi pengujian dalam bentuk persentase

93,33%. Hasil pengujian dengan

4.2.2 Lapisan tersembunyi dengan jumlah

Hasil percobaan pada proses

sebesar 0,000702 diperoleh pada epoch 2585 dengan durasi 34 detik validasi dilakukan dengan menguji jaringan yang terbentuk dengan data

Hasil dari proses validasi mampu

dalam bentuk persentase adalah

dengan menggunakan data testing

bahasan dari setiap percobaan yang dilakukan pada masing lapisan tersembunyi.

ersembunyi dengan jumlah neuron 7.

proses training dengan model ini dapat dilihat pada

. Pada gambar tersebut ditunjukkan bahwa error (MSE) terkecil yakni

elatihan dengan 7 neuron pada lapisan tersembunyi.

Proses validasi dilakukan dengan menguji jaringan yang terbentuk dengan

. Hasil dari proses validasi mampu mengenali sebanyak 935

validasi dalam bentuk persentase adalah !_"# 100% = 95,41%. Pada

dengan menggunakan data testing mampu mengenali sebanyak

pengujian dalam bentuk persentase adalah _'&# & 100

Hasil pengujian dengan data testing dapat dilihat pada Lampiran 3.

Lapisan tersembunyi dengan jumlah neuron 9.

proses training dengan model ini dapat dilihat pada

sebesar 0,000702 diperoleh pada epoch 2585 dengan durasi 34 detik. Proses

validasi dilakukan dengan menguji jaringan yang terbentuk dengan data training

dari proses validasi mampu mengenali sebanyak 975 data, akurasi validasi

adalah (!

"# 100% = 99,49%. Pada proses pengujian

testing mampu mengenali sebanyak 408 data, akurasi

bahasan dari setiap percobaan yang dilakukan pada masing

ini dapat dilihat pada (MSE) terkecil yakni

menguji jaringan yang terbentuk dengan

data,

. Pada sebanyak

100% =

dapat dilihat pada (MSE) terkecil yakni Proses training.

validasi roses pengujian

(49)

pengujian dalam bentuk persentase

pengujian dengan data testing

Gambar 15 Pelatihan dengan 9

4.2.3 Lapisan tersembunyi dengan jumlah Hasil percobaan pada proses

Gambar 16. Pada gambar

sebesar 0,000699 diperoleh pada epoch 2914 dengan durasi 33 detik. validasi dilakukan dengan mengu

Hasil dari proses validasi mampu mengenali sebanyak 975 data, akurasi validasi dalam bentuk persentase adalah

dengan menggunakan data testing mampu mengenali sebanyak 409 data, akurasi pengujian dalam bentuk persentase adalah

pengujian dengan data testing dapat dilihat pada

pengujian dalam bentuk persentase adalah '#"_'&# 100% = 97,14

testing dapat dilihat pada Lampiran 4.

Hasil percobaan pada proses training dengan model ini dapat dilihat pada

validasi dilakukan dengan menguji jaringan yang terbentuk dengan data training. Hasil dari proses validasi mampu mengenali sebanyak 975 data, akurasi validasi dalam bentuk persentase adalah *+,_*-./ 0..% = **, 1*%. Pada proses pengujian dengan menggunakan data testing mampu mengenali sebanyak 409 data, akurasi

pengujian dalam bentuk persentase adalah 1.*_12./ 0..% = *+,

3-pengujian dengan data testing dapat dilihat pada Lampiran 5.

Pelatihan dengan 11 neuron pada lapisan tersembunyi.

14%. Hasil

pada lapisan tersembunyi.

dengan model ini dapat dilihat pada (MSE) terkecil yakni

sebesar 0,000699 diperoleh pada epoch 2914 dengan durasi 33 detik.Proses

ji jaringan yang terbentuk dengan data training. Hasil dari proses validasi mampu mengenali sebanyak 975 data, akurasi validasi . Pada proses pengujian dengan menggunakan data testing mampu mengenali sebanyak 409 data, akurasi 3-%. Hasil

(50)

data training. Hasil dari proses validasi mampu mengenali sebanyak 975 data, akurasi validasi dalam bentuk persentase adalah

proses pengujian dengan menggunakan data 408 data, akurasi pengujian dalam

97,14%. Hasil pengujian dengan data

Gambar 18. Pada gambar ditunjukkan bahwa

0,000739 diperoleh pada epoch 3000 dengan durasi 40 detik.

data training. Hasil dari proses validasi mampu mengenali akurasi validasi dalam bentuk persentase adalah

Pelatihan dengan 15 neuron pada lapisan tersembunyi.

Proses validasi dilakukan dengan menguji jaringan yang terbentuk dengan . Hasil dari proses validasi mampu mengenali sebanyak 975 data, akurasi validasi dalam bentuk persentase adalah (!_"# 100% = 99,49%. Pada

408 data, akurasi pengujian dalam bentuk persentase adalah '#"_'&# 100

. Hasil pengujian dengan data testing dapat dilihat pada Lampiran 6.

. Pada gambar ditunjukkan bahwa error (MSE) terkecil yakni sebesar

. Hasil dari proses validasi mampu mengenali sebanyak 975 data,

akurasi validasi dalam bentuk persentase adalah (!_"# 100% = 99,49%.

dengan model ini dapat dilihat pada (MSE) terkecil yakni

Proses validasi dilakukan dengan menguji jaringan yang terbentuk dengan . Hasil dari proses validasi mampu mengenali sebanyak 975 data, . Pada mampu mengenali sebanyak

100% =

ini dapat dilihat pada (MSE) terkecil yakni sebesar

Proses validasi dilakukan dengan menguji jaringan yang terbentuk dengan sebanyak 975 data,

Pada

(51)

408 data, akurasi pengujian dalam bentuk persentase adalah

97,14%. Hasil pengujian dengan data

Gambar 19. Pada gambar ditunjukkan bahwa

data training. Hasil dari proses validasi mampu mengenali sebanyak 975 data, akurasi validasi dalam bentuk persentase adalah

408 data, akurasi pengujian dalam bentuk persentase adalah '#"_'&#

Hasil pengujian dengan data testing dapat dilihat pada Lampiran

Pelatihan dengan 20 neuron pada lapisan tersembunyi

Pada gambar ditunjukkan bahwa error (MSE) terkecil yakni sebesar

alidasi dilakukan dengan menguji jaringan yang terbentuk dengan . Hasil dari proses validasi mampu mengenali sebanyak 975 data, akurasi validasi dalam bentuk persentase adalah *+,_*-.4 0..% = **,1*

'#"

'&# 100% = ampiran 7.

pada lapisan tersembunyi.

ini dapat dilihat pada (MSE) terkecil yakni sebesar

ersembunyi.

alidasi dilakukan dengan menguji jaringan yang terbentuk dengan . Hasil dari proses validasi mampu mengenali sebanyak 975 data, 1*%. Pada